33379

شناسايي نشانه‌هاي بد معماري ميكروسرويس‌ها با استفاده از شبكه‌هاي عصبي گرافي

كارشناسي ارشد

مهندسي كامپيوتر

1401

1403/11/23

مهرداد آشتياني

محسن شريفي

مهندسي كامپيوتر

امروزه بسياري از شركت‌ها و سازمان‌ها روند مهاجرت از معماري يكپارچه را به سمت معماري مناسب‌تري كه انعطاف‌پذيرتر، مقياس‌پذيرتر و قابل‌فهم‌تر باشد، آغاز كردند. يكي از اين معماري‌ها ميكروسرويس‌ها هستند كه برنامه‌هاي كاربردي كوچك با يك مسئوليت واحد هستند و مي‌توانند به طور مستقل مستقر شوند، مقياس شوند و آزمايش شوند. مزاياي بسياري براي استفاده از ميكروسرويس‌ها وجود دارد و به همين دليل اخيراً به يك موضوع محبوب تبديل شده‌اند ولي معماري آن‌ها به دليل عوامل متعددي مانند محدوديت‌هاي زماني، عدم قطعيت، ارتباطات نادرست و پيچيدگي روزافزون سيستم‌هاي نرم‌افزاري، مستعد راه‌حل‌هاي نامناسب است. چنين عواملي ممكن است منجر به نشانه‌هاي‌ بد معماري شود و مطالعات محدودي در اين مورد وجود دارد. تشخيص اين نشانه‌هاي معماري در ميكروسرويس‌ها مهم است زيرا آن‌ها به شناسايي مشكلات احتمالي طراحي كه مي‌تواند بر كيفيت و عملكرد كلي سيستم تأثير بگذارد كمك مي‌كنند. با شناسايي و رفع زودهنگام آن‌ها، مي‌توان سيستم را قابل‌نگهداري و مقياس‌پذيرتر كرد. براي سهولت شناسايي نشانه‌هاي بد معماري در ميكروسرويس‌ها، تحقيقات تجربي بيشتري بايد انجام شود و ابزارهاي خودكار بايد در اختيار توسعه‌دهندگان قرار گيرد تا اين فرآيند قابل اعتمادتر و مؤثرتر شود. با اين حال كمبود مخازن عمومي وجود دارد كه الگوها و شيوه‌هاي ميكروسرويس پروژه‌هاي منبع باز را به اشتراك بگذارند. در اين تلاش تحقيقاتي، هدف اصلي ما توسعه‌ي يك روش براي تشخيص نشانه‌هاي بد در ميكروسرويس‌ها با استفاده از شبكه‌هاي عصبي مي‌باشد. نشانه‌هاي بدي كه اين ابزار شناسايي مي‌كند شامل وابستگي‌هاي چرخه‌اي، استفاده نادرست از گذرگاه سرويس‌هاي سازماني، ميكروسرويس‌هاي حريص و وابستگي‌هاي نامناسب بين ميكروسرويس‌ها مي‌باشند. شبكه‌هاي عصبي گرافي به عنوان چارچوبي قدرتمند براي تجزيه و تحليل وابستگي‌هاي متقابل و الگوهاي تعاملي در معماري‌هاي ميكروسرويس عمل مي‌كنند و قادرند تا روابط پيچيده بين موجوديت‌ها را به طور مؤثري ثبت كنند. براي آموزش دقيق اين شبكه‌ها، تحليل داده‌هاي رديابي از ميكروسرويس‌ها ضروري است. يكي از چالش‌هاي اصلي براي استفاده از شبكه‌هاي عصبي، كمبود داده‌هاي گرافي از ميكروسرويس‌ها است. براي غلبه بر اين مشكل، از مدل‌هاي زبان بزرگ براي توليد نمودارهاي ميكروسرويس استفاده شد. تحليل‌هاي به دست آمده در اين مطالعه نشان داده‌اند كه شبكه‌هاي عصبي گرافي مي‌توانند بهبودي تا يك درصد در دقت تشخيص نشانه‌هاي بد را ارائه دهند، كه اين بهبود بيانگر پتانسيل اين فناوري در افزايش كارايي شناسايي نشانه‌هاي بد معماري در سيستم‌هاي نرم‌افزاري است.

1404/02/20

Detecting microservice's architectural anti-patterns indicators using graph neural networks

2/11/2026 12:00:00 AM

Software systems must continuously evolve to meet new business needs. Today, the internet requires more flexible, scalable, and understandable software architecture. As a result, many companies and organizations have begun the process of migrating from monolithic architecture to more suitable architectures that can respond to current market demands. Microservices are small applications with a single responsibility that can be deployed, scaled, and tested independently. There are many advantages to using microservices, which is why they have recently become a popular topic. However, their architecture is susceptible to inadequate solutions due to various factors such as time constraints, uncertainty, miscommunication, and increasing complexity of software systems. Such factors may lead to signs of bad architecture, and there is limited research on this issue. Identifying these architectural signs in microservices is important because they help in identifying potential design problems that can impact the overall quality and performance of the system. Early detection and resolution can make the system more maintainable and scalable. To facilitate the identification of bad architectural signs in microservices, more empirical research needs to be conducted, and automated tools should be made available to developers to make this process more reliable and effective. However, there is a lack of public repositories that share patterns and practices of microservices in open source projects. Identifying signs of bad microservice architecture is an issue that has received less attention. Therefore, the main goal of this project is to create a tool for the automatic detection of these signs in microservice architecture. In this research effort, our primary goal is to develop a method for detecting bad signs in microservices using neural networks. In the context of detecting bad microservice signs, graph neural networks provide a powerful framework for analyzing interdependencies and interaction patterns in microservice architectures, effectively capturing complex relationships between entities. The results of this research indicate that while similar tools provide comprehensive analyses using proven algorithms like depth-first search, they may not scale as well as newer techniques such as neural networks. Neural networks represent a promising alternative, especially for dynamic and large-scale microservice architectures, by optimizing computational resources.

ميكروسرويس , نشانه‌بد معماري , ضدالگو , تشخيص بو

Anti-pattern , Microservices , Architectural Smell , Smell Dectection

Taravat Monsef

Mehrdad Ashtiani